Türkiye’den 3 Milyar Dolarlık Veri Merkezi Hamlesi (HIT-30 & 1 GW Hedefi) ve Epoch AI Sınır Hesaplama Analizi

Egemen Yapay Zeka (Sovereign AI) Çağında Fiziksel Altyapı Savaşları: Megavattan Gigavata Geçiş

Yapay zeka mühendisliğinde rekabet üstünlüğü, yalnızca model mimarileri ve algoritmik iyileştirmelerle sınırlı olmaktan çıkmış; yüksek voltajlı trafo kapasitesi, doğrudan çipe sıvı soğutma (Direct-to-Chip Liquid Cooling), fiber omurga gecikmesi ve milyarlarca dolarlık GPU kümeleri eksenine taşınmıştır. Ekim 2026 itibarıyla bu küresel dönüşümün iki kritik yansıması gündemdedir: Bir tarafta Türkiye'nin HIT-30 Yüksek Teknoloji Yatırım Programı ve hiper-ölçekli küresel ortaklıklarla devreye aldığı 3 milyar dolarlık veri merkezi / yapay zeka altyapı hamlesi; diğer tarafta bağımsız yapay zeka araştırma enstitüsü Epoch AI'ın yayımladığı Sınır Veri Merkezleri (Frontier Data Centers) ve Ölçekleme Sınırları analizi.

Bu teknik incelemede, Türkiye'nin 2030 yılı 1 Gigavat (1 GW) veri merkezi kapasite hedefinin mühendislik bileşenleri ile Epoch AI'ın küresel ölçekte tespit ettiği üç fiziksel/algoritmik duvar (Power Wall, HBM Wall ve Data Wall) birlikte ele alınmaktadır.

1. Türkiye’nin 3 Milyar Dolarlık Veri Merkezi ve Bulut Altyapı Üçgeni

Avrupa, Orta Doğu ve Asya fiber optik koridorlarının kesişim noktasında yer alan Türkiye, bölgesel bir veri ve yapay zeka işleme üssü olma hedefiyle kamu teşviklerini ve hiper-ölçekli özel sektör yatırımlarını üç ana sütun üzerinde birleştirmiştir:

A. HIT-30 Programı: ~3,1 Milyar Dolarlık Kamu Desteği ve 1 Gigavat Hedefi

Sanayi ve Teknoloji Bakanlığı tarafından yürütülen HIT-30 Yüksek Teknoloji Yatırım Programı kapsamında, Türkiye'nin mevcut veri merkezi kapasitesini 2030 yılına kadar en az 1 Gigavata (1.000 MW) çıkarmak ve minimum 10 milyar dolarlık toplam yatırımı harekete geçirmek amacıyla iki dev çağrı açılmıştır:

• HIT-Veri Merkezi Çağrısı (1,5 Milyar Dolar): Yüksek rafa yoğunluklu (high-density rack), düşük Güç Kullanım Etkinliği (PUE < 1.25), yenilenebilir enerji entegrasyonlu (yeşil bilişim) ve yapay zeka hızlandırıcı kümeleriyle uyumlu Tier III / Tier IV veri merkezlerinin kurulumunu finanse etmektedir.
• HIT-Yapay Zeka Çağrısı (1,6 Milyar Dolar): Yerli büyük dil modellerinin, sektörel otonom ajanların ve yüksek başarımlı hesaplama (HPC/GPU) kümelerinin geliştirilmesi için ek 1,6 milyar dolarlık kaynak sağlamaktadır.

B. Google Cloud ve Turkcell Ortaklığı (3 Milyar Dolarlık Bulut Bölgesi)

Kamu teşviklerine paralel olarak Google Cloud ve Turkcell, Türkiye'de hiper-ölçekli yeni bir Bulut Bölgesi (Cloud Region) kurmak üzere 10 yıllık stratejik bir programa imza atmıştır. Toplam büyüklüğü 3 milyar dolara ulaşan program kapsamında Google 2 milyar dolar, Turkcell ise 1 milyar dolar yatırım taahhüt etmiştir. Bu yatırım; KVKK, BDDK ve SPK gibi sıkı veri yerelliği (data residency) regülasyonlarına tabi olan finans, savunma ve kamu kurumlarının düşük gecikmeli yapay zeka iş yüklerini ülke sınırları içinde çalıştırmasını mümkün kılmaktadır.

C. Rönesans Holding ve Digital Realty Ortaklığı (200 MW / 3+ Milyar Dolar)

Üçüncü büyük ayak ise küresel veri merkezi devi Digital Realty ile Rönesans Holding ortaklığında Ankara Temelli Başkent Organize Sanayi Bölgesi'nde temeli atılan yeni nesil veri merkezi kampüsüdür. Uzun vadede 200 megavat (MW) kurulu güce ve 3 milyar doları (müşteri donanım yatırımlarıyla birlikte 4,1 milyar doları) aşan bir ekonomik büyüklüğe ulaşması planlanan kampüs, yüksek yoğunluklu yapay zeka eğitim ve çıkarım (inference) kabinleri için tasarlanmıştır.

flowchart TD
    subgraph TR["Türkiye 2030 Veri Merkezi & Egemen AI Ekosistemi (Hedef: >= 1 GW)"]
        H1["HIT-30 Kamu Desteği (~3,1 Milyar $)<br/>1,5 Milyar $ Veri Merkezi + 1,6 Milyar $ AI"]
        G1["Google Cloud & Turkcell (3 Milyar $)<br/>2B$ Google + 1B$ Turkcell Bulut Bölgesi"]
        R1["Rönesans & Digital Realty (3+ Milyar $)<br/>Ankara 200 MW Hiper-Ölçekli Kampüs"]
    end
    subgraph Epoch["Epoch AI Sınır (Frontier) Veri Merkezi Kriterleri"]
        P["Enerji & Soğutma:<br/>Doğrudan Çipe Sıvı Soğutma (DLC) & PUE < 1.2"]
        W["İş Yükü Evrimi:<br/>Statik Ön Eğitimden Test-Time Compute & RL'ye"]
    end
    TR --> Epoch
    Epoch --> Out(["Bölgesel Düşük Gecikmeli Çıkarım &<br/>KVKK Uyumlu Egemen AI Üssü"])

2. Epoch AI Sınır Analizi: Küresel Veri Merkezleri Nereye Koşuyor?

Türkiye'deki bu 3 milyar dolarlık yatırım dalgasının küresel ölçekte ne anlama geldiğini doğru okumak için, bağımsız araştırma kuruluşu Epoch AI tarafından yayımlanan Frontier Data Centers Hub ve ölçekleme sınırları (scaling limits) verilerine bakmak gerekmektedir.

Epoch AI; yüksek çözünürlüklü uydu görüntüleri, trafo merkezi inşaat izinleri, soğutma kulesi ısı atım kapasiteleri ve tedarik zinciri verilerini birleştirerek dünyadaki en büyük yapay zeka kümelerini (xAI Colossus, Amazon/Anthropic Project Rainier, Microsoft Fairwater, Meta Prometheus ve OpenAI Stargate) gerçek zamanlı takip etmektedir.

A. 7 ila 10 Ayda Bir İkiye Katlanan Gigavat Kümeleri

Epoch AI verilerine göre, tek bir yerleşkedeki (single-site) yapay zeka hesaplama kapasitesi her 7 ayda bir, en büyük veri merkezi kampüslerinin elektrik gücü kapasitesi ise yaklaşık her 10 ayda bir ikiye katlanmaktadır. Tekil sınır model eğitim koşularının maliyeti 1 milyar dolar eşiğini aşarken, yüz binlerce (ve yakında milyonlarca) H100-eşdeğeri (H100-equivalent) hızlandırıcı tek bir lokalize kampüste toplanmaktadır.

B. Epoch AI’ın Tespit Ettiği Üç Kritik Ölçekleme Duvarı (Scaling Walls)

1. Enerji ve Soğutma Duvarı (The Power & Cooling Wall): Yeni nesil hızlandırıcı mimarilerinde (Blackwell B200/GB200 ve Rubin sınıfı) çip başına enerji verimliliği yılda ~%40 artsa da, model ölçekleme talebi çok daha hızlı büyümektedir. Kabin (rack) başına güç yoğunluğunun 100 kW – 130 kW bandına çıkması, geleneksel hava soğutmayı tamamen işlevsiz kılmış; doğrudan çipe sıvı soğutma (Direct-to-Chip Liquid Cooling) ve özel yüksek gerilim trafo merkezlerini zorunlu hale getirmiştir.
2. Yüksek Bant Genişlikli Bellek Duvarı (The HBM & Packaging Wall): Küresel veri merkezi genişlemesini sınırlayan ikinci fiziksel darboğaz, GPU çekirdeğinden ziyade HBM3e / HBM4 bellek üretimi ve TSMC CoWoS ileri paketleme kapasitesidir.
3. Veri Duvarı (The Data Wall) ve ‘Test-Time Compute’ Dönüşümü: Algoritmik tarafta Epoch AI, açık internetteki yüksek kaliteli, insan tarafından yazılmış metin verisinin tükenme noktasına geldiğini ve yayıncıların web tarayıcılarını (crawlers) engellediğini vurgulamaktadır. Bu "Veri Duvarı" nedeniyle yeni nesil veri merkezlerindeki GPU saatlerinin ezici çoğunluğu artık statik metin ön eğitimine değil; pekiştirmeli öğrenme (RL) ile sentetik veri üretimine ve çıkarım zamanı akıl yürütme hesaplamasına (test-time compute / <think> tokenları) harcanmaktadır.

3. Mühendislik Uygulaması: Veri Merkezi Güç, PUE ve ‘Test-Time Compute’ Kapasite Planlayıcısı

Epoch AI'ın ölçekleme denklemlerini ve sıvı soğutmalı veri merkezi parametrelerini kullanarak, belirli bir megavat (MW) bütçesinin ne kadar H100/B200 eşdeğeri FLOP/s ve saniyede kaç çıkarım zamanı akıl yürütme (test-time compute) görevi üretebileceğini hesaplayan referans mühendislik modeli aşağıda yer almaktadır:

from dataclasses import dataclass

@dataclass
class DataCenterClusterSpec:
    total_facility_power_mw: float      # Kampüs toplam elektrik gücü (Örn: 200 MW)
    pue_ratio: float                    # Güç Kullanım Etkinliği (Sıvı soğutma: ~1.15)
    gpu_tdp_watts: float = 1000.0       # Hızlandırıcı başına güç (B200 sınıfı + ağ payı)
    fp8_tflops_per_gpu: float = 4500.0  # GPU başına seyrek olmayan FP8 TFLOP/s
    avg_utilization: float = 0.72       # Küme efektif kullanım oranı (MFU/HFU)

class EpochFrontierCapacityPlanner:
    """
    Epoch AI Sınır Veri Merkezi Metodolojisiyle Hızlandırıcı Kapasitesi,
    Sıvı Soğutma Yükü ve Test-Time Compute Çıkarım Verimi Hesaplayıcısı.
    """
    def __init__(self, spec: DataCenterClusterSpec):
        self.spec = spec

    def calculate_cluster_metrics(self) -> dict:
        # 1. BT (IT) Ekipmanına Kalan Net Güç (MW -> Watt)
        it_power_mw = self.spec.total_facility_power_mw / self.spec.pue_ratio
        cooling_overhead_mw = self.spec.total_facility_power_mw - it_power_mw

        # 2. Desteklenebilen Maksimum Hızlandırıcı (GPU) Sayısı
        max_gpus = int((it_power_mw * 1_000_000) // self.spec.gpu_tdp_watts)

        # 3. Toplam Efektif Sınır Hesaplama Gücü (ExaFLOP/s - FP8)
        effective_exaflops = (
            max_gpus * self.spec.fp8_tflops_per_gpu * self.spec.avg_utilization
        ) / 1_000_000

        return {
            "facility_power_mw": round(self.spec.total_facility_power_mw, 2),
            "it_compute_power_mw": round(it_power_mw, 2),
            "liquid_cooling_and_grid_loss_mw": round(cooling_overhead_mw, 2),
            "deployable_frontier_gpus": max_gpus,
            "effective_fp8_exaflops": round(effective_exaflops, 2)
        }

# Örnek: Ankara 200 MW Kampüs veya HIT-30 Yüksek Yoğunluklu AI Kümesi Analizi
planner = EpochFrontierCapacityPlanner(
    DataCenterClusterSpec(total_facility_power_mw=200.0, pue_ratio=1.15)
)
metrics = planner.calculate_cluster_metrics()

Stratejik Değerlendirme

Epoch AI'ın sınır analizleri, yapay zeka yarışında 100 milyar parametreli bir modeli eğitmekten daha zor olan şeyin o modeli besleyecek yüzlerce megavatlık kesintisiz enerji, sıvı soğutma altyapısı ve düşük gecikmeli fiber erişim bulmak olduğunu kanıtlamaktadır. Türkiye'nin HIT-30 kapsamında devreye aldığı ~3,1 milyar dolarlık kamu teşviki, Google Cloud–Turkcell (3 milyar $) bulut bölgesi ve Rönesans–Digital Realty (200 MW / 3+ milyar $) kampüs yatırımı; ülke içindeki kurumsal verilerin yurt dışına çıkmadan çıkarım zamanı akıl yürütme (test-time compute) ajanlarıyla işlenebilmesi ve Türkiye'nin 2030'a kadar 1 Gigavatlık bölgesel bir Egemen AI üssüne dönüşmesi açısından kritik bir eşiği temsil etmektedir.